【编者按】朱宇（笔名小狼），新东方优编程董事长、信息学教育一线产业实践者。AI时代如何培养人才并无定论，C++信息学是重要路径之一、而非唯一；本文呈现他来自实践的思考，供读者参考。

　　朱宇，笔名小狼，新东方优编程董事长，清华大学工学学士、北京大学管理硕士。高中时他参加过信息学竞赛，拿过省一等奖，此后二十余年一直在教育行业。近两年，C++信息学这条科创赛道持续升温，大语言模型与多模态技术快速迭代，又对拔尖创新人才的培养提出了新的要求。人工智能时代究竟该培养怎样的人，C++信息学为什么是其中一条重要路径，它又究竟在培养孩子的什么能力，成为家长和教育界共同关心的问题。带着这些问题，记者近日专访了朱宇，听他系统地谈了自己的判断。

　　技术革命的变与不变：AI第一次让“非标产品”工业化生产 

　　记者：C++信息学这条科创赛道，为什么这两年越来越受关注？它和AI到底是什么关系？

　　朱宇：它练的算法，恰好是这个时代最底层的那套能力。要看清这件事，得先回到一个问题：什么是技术革命。我给它下一个很朴素的定义——一项新技术，让产品实现了大规模、低成本、高质量的工业化生产。蒸汽机、电力、流水线，后来的信息技术，本质上都是把原来手工做、做一件算一件的东西，变成可以批量、廉价、标准化造出来的工业品，让人从重复的手工劳动里大规模解放出来。判断一项技术够不够“革命”，我就看它有没有同时做到这三点，缺一条都不算。

　　记者：照这个定义，AI这一轮和以往的工业革命，新在哪？

　　朱宇：差别是质的。一次、二次工业革命和后来的信息技术革命，解决的都是“标准化产品”的工业生产——一样的螺丝钉、一样规格的汽车，可以成批量造出来，造得越多越便宜，但它解决的还是“同一个东西反复生产”。AI革命不一样，它是“批量生产非标产品”的革命——这里“非标产品”是我为便于理解打的一个比方，并不是严格的学术术语。它靠大语言模型和多模态模型，把个性化的文本、图像、音乐、视频、程序，也变成可以工业化生产的东西，按需生成、千人千面。过去这些内容要靠人一个一个单独创作，成本极高，几乎没法规模化；现在它第一次具备了大规模、低成本、个性化供给的可能。生产方式从“复制标准品”跨到了“批量造独一份的东西”，这是它和以往所有技术革命最本质的不同。

　　记者：为什么“批量生产非标”这件事这么要紧？

　　朱宇：因为过去所有靠“一对一创作”的行业，都被成本死死卡住。再好的老师一次只能给一个班上课，再好的医生一天只能看有限的病人，再好的方案也没法为每个孩子量身定做。AI把这个瓶颈打破了——个性化不再是奢侈品，而成了可以批量供给的东西。这意味着，凡是过去因为“没法标准化、只能靠人单独做”而被高价、稀缺挡在门外的服务，接下来都会被重新定价。

　　记者：教育其实最讲究因材施教，是不是也在这个变化里？

　　朱宇：教育是最典型的非标产品，每个孩子的基础、兴趣、性格都不一样。过去的技术只能做标准化供给——一个老师的课录下来给很多人看，内容是一样的，那不叫个性化。大模型出来以后，个性化第一次能规模化、低成本地做。这也是我为什么一直盯着信息学这条赛道看：AI不是来否定教育的，它恰恰把因材施教变成了可以做到的事；而要看懂、用好这轮变化，孩子自己先得有底层的那套东西。几代社会形态在很短时间里叠在一起，上一代那套成长经验很难原样套到孩子身上；今天培养人，不能回头找旧模板，只能面向智能社会、回到原理。

　　AI正在重塑什么：认识世界、社会气质与人的价值 

　　记者：这种“非标产品工业化”，落到普通人身上，最先改变的是什么？

　　朱宇：一是认识世界的方式。顺着捋：口耳相传、印刷术、电子媒介、互联网搜索，再到今天的AI生成内容。本质变化是——过去我们拿到的是“预制信息”，前人写好摆在那里，我们去检索；现在是即时生成、按你的水平个性化给到你。二是基础设施，全流程的AI翻译、AI答疑和决策支持、快速生成内容的工具，都在变成像水电一样的东西，自动驾驶也在成为新型基础设施。这些基础设施和过去最大的不同，是它提供的不再是固定产品，而是随取随用、按你要求定制的能力。一个不会外语的人，过去要花几年学，现在靠AI翻译就能直接和世界交流；这种门槛的下降，本身就是一场深刻的变化。

　　记者：那做生意、做研究的方式呢？

　　朱宇：商业模式上，是从“标准化供给”走向“个性化需求满足”。过去一个标准产品卖给所有人；现在，教育按孩子的兴趣、水平、知识背景定制，服装按身材、风格来做，医疗按个体身体情况安排，AI还能生成专属的音乐、电影和游戏。过去这些量身定做都是奢侈品，只有少数人消费得起；AI让它变成了可以批量交付的日常服务。研究世界的方式也变了，AI开始当数据解析者、假设验证者、实验设计者——帮你从海量数据里看规律，帮你快速验证猜想，甚至帮你设计下一步实验。有研究和演示显示，物理、化学、生物这些领域的实验和研发周期在明显缩短，结构生物学被新工具革新，社会学、管理学、经济学的研究效率也都有明显提升。一个会指挥AI做研究的人，和纯手工算的人，效率已经不在一个量级。这意味着，未来研究者的核心竞争力，越来越多体现在会不会提出好问题、会不会判断AI给出的结果，而不是亲手算得多快。

　　记者：社会气质会跟着怎么变？

　　朱宇：作为一种趋势性的经验推演，我分四个阶段看：农业社会崇尚勤劳、简朴、稳定；工业社会讲秩序、协作、扩张；信息社会是创新、张扬、开放；接下来的智能社会，我看是创意、独立、包容。越往后，对“守规矩、肯吃苦”的依赖越低，对“有创意、能独立、懂包容”的要求越高。这不是人变了，是时代对人的要求变了：重复劳动大量交给机器，剩下最值钱的，就是那些机器做不了的事——一个人独特的创意、独立的判断，以及和不同的人协作共事的包容心。看清楚这个走向，就知道今天要培养的孩子，该往哪个方向使劲。

　　记者：那AI这么强，人本身的价值会不会反而越来越小？

　　朱宇：恰恰相反，AI越强，人的三类价值越被强化。一是情感价值，具体就是保障感、社交感、榜样感；二是约束价值，也就是人对他人的约束力，以及对AI伦理的规范和把关，这部分至少目前难以由技术完全承担——技术再强，也很难替代人为后果负责；三是本位价值，所有价值最终都建立在“人本位”之上，技术再发达，也是服务于人的情感需求、社会规范和存在意义。技术把重复的活接过去，人才能腾出精力，去做只有人能做的事。理解了这一点，就不会因为AI强而悲观，反而更清楚该把劲使在哪。

　　岗位洗牌与人群分层：拔尖人才“会判断、能原创、懂原理” 

　　记者：气质变了，岗位肯定要洗牌，这是家长最关心的。

　　朱宇：我讲直白点。依我的判断，有五类岗位可能面临较大的替代风险：基础编程类、咨询决策类、操作助理类、行政文档类、设计编辑类。反过来，有五类需求大概率会明显增长：AI细分领域落地、情绪价值类、基础科学研究、医学健康品质、社会公义维护。这里有个趋势值得注意：越容易被写成清晰规则、反复照做的工作，AI接手得越快；越需要理解人、承担责任、做原创判断的工作，反而越稀缺、越被看重。家长顺着这个趋势去看孩子的兴趣和特长，方向就不容易走偏。

　　【编者视角】此为趋势性判断，岗位替代的具体幅度因行业、地区与时间而异。

　　记者：不同的人，受到的影响一样吗？

　　朱宇：不一样。作为一种分析框架，我把人群分四层：底层的人使用工具，中层的人掌握技术，上层的人开发技术，顶层的人研究原理。依我的判断，AI会缩小底层和中层之间的差距，因为工具变好用了，原来要学半天才能干的活，现在点几下就能干；但它会拉大上层和中层之间的差异，因为真正能开发技术、研究原理的人，把效率拉得很高，只会用现成工具的人很容易被更新一版的工具甩下。工具换得很快，今天学会的这个软件，明年可能就换了用法；但原理是稳的，底层逻辑和思考问题的方式不会跟着界面一起变。所以短期看，谁领先掌握技术谁占优；长期看，真正掌握原理的人，才更可能成为时代的主人、引领社会。

　　【编者视角】四层是便于讨论的分析框架，并非对个人的精确分层。

　　记者：听下来，是不是普通家庭非得把孩子往塔尖上送？

　　朱宇：我不主张大家都焦虑地去挤塔尖。分层是客观趋势，不是让每个孩子都成为顶层那一小撮人。越早让孩子理解工具背后的道理，他将来在这张分层图里的位置就越从容：哪怕他最后不做算法研究，一个懂原理的人，也比只会点按钮的人更不容易被技术牵着走。普通家庭真正要做的，不是替孩子选一个看起来热闹的方向，而是尽早观察他在哪件事上既投入、又做得比同龄人好，然后顺着那个方向给他支持。不过我也想把话说实在：竞赛这条路有现实门槛，升学评价的压力摆在那里，优质师资和整块时间都不便宜，师资与资源差距更是客观存在。理念上讲“扬长”“回到原理”，落到一个家庭、一个孩子身上，往往要和现实的评价体系掰手腕；这个差距，单靠竞赛一条路径抹不平，最终还得靠普惠课程和县域师资建设去弥合。这是我给所有家庭最朴素的提醒。

　　记者：那到底什么样的人，才算创新拔尖人才？

　　朱宇：标准其实就落在这条分层上：不是会用工具、会操作技术就算拔尖，而是真正懂底层原理、能开发技术、能研究原理的人。一个人不被技术牵着走，能判断技术往哪用、错在哪，甚至能去改进它，这样的人才可能成为时代的主人、引领社会。具体落到两种能力。一是信息判断力，AI会“幻觉”，会把错的内容讲得头头是道、一本正经地编，拔尖的人第一反应不是照单全收，而是追问一句：这对不对、依据是什么、来源在哪？有这道批判性的关口，才算真做了主人。二是独立创意创造力，工具已经强到能让一个人借助AI完成过去一个团队才能做的事，但它给不了“创意的种子”——该不该问这个问题、值不值得探索，只能由人提出来；最稀缺的从来不是执行，是原创的想法。落到培养上，要靠扬长，不是补短：把每块短板都拉到平均，那是在培养标准化的人，恰恰是AI也能干的活；真正要做的，是尽早识别孩子那种既真正喜欢、又能超过多数人的比较优势，集中资源把它做到别人难以替代的程度。满大街都能干的活，自然不值钱；越是没人能解决、又越新的问题，越值钱。这就是拔尖和普通的区别。

　　记者：现在都讲要从小用好AI，那孩子学AI，要不要先去练“提示词工程”？

　　朱宇：这里有个误区，我得先泼点冷水。硅谷不少一线AI研究者有个清醒判断：提示词工程被炒得有点过了。提示技巧是个生命周期很短的表层技能，模型越迭代，越听得懂自然语言、越能自动补全你的意图，今天精心写的花式提示词，下一版模型可能就用不上了。真正保值的，是问题意识、逻辑判断和底层原理。把精力都花在研究怎么“伺候”提示词上，是舍本逐末。

　　【编者视角】Yann LeCun 曾公开表示，提示工程是短效技能，应优先学好数学与基础原理；李飞飞、Sam Altman 等也强调人主导、AI辅助。

　　记者：那孩子和AI打交道，总该有个章法？

　　朱宇：有个总原则：先自己来，再找AI。拿到一个问题，先自己想、自己拆、自己推导、先试错一遍，形成自己的思路框架，再去调用AI。对AI给的东西，更不能拿来就用——要追问它依据是什么，自己交叉验证，反过来把它当成一份可以挑错的辨析材料。它是个很能干的助手，但不是替你拿主意的人。

　　记者：用得太顺手，会不会反而把孩子“惯坏”？

　　朱宇：会，这正是我最担心的。我管它叫“流畅性陷阱”和“认知外包”：一遇到问题，直接跟AI要完整答案，看到一个流畅、漂亮的回答，就停止了自己的思考。久而久之，自己那套推理能力会慢慢萎缩。海内外很多学者都在提醒，这大概是AI时代学习上最大的风险之一。所以国内外不少学者呼吁，基础教育阶段要给孩子留一块“认知保护区”：有一部分训练，得完全不用AI，让他独立把整条推理链自己走完。否则他连错在哪都感知不到，信息判断力也就无从生长。打个比方，AI是个放大器，但放大器代替不了乐器本身。

　　记者：那AI在学习里，到底能干啥、不能干啥？

　　朱宇：正当用途其实很清楚：帮你拓展思路、解释一个没听懂的概念、给几个备选方案、调试一段报错的代码、补知识盲区，把繁琐重复的活接过去。现在还有一种“自上而下”的学法，从孩子真正感兴趣的项目入手，做到哪遇到知识缺口，再回头补基础，让AI当随身导师——这一点，有海外年轻研究者分享过他的体会。但有一条底线：定义问题、判断价值、设定目标的主导权，必须攥在人手里，不能主客颠倒。落到学算法、打竞赛上，规矩更死：不能直接抄AI的题解，那样刷题就失去了意义。正确做法是自己先写、先调，卡住了再把AI的方案当参照，重点不是抄答案，而是对比——我卡在哪一步、它背后是什么算法思想。理解到这一层，这道题才算真正做过。

　　为什么关键在C++信息学：算法与AI底层相通 

　　记者：讲到这里，为什么偏偏是C++信息学、是算法，被您看得这么重？

　　朱宇：因为信息学竞赛练的那套基础算法，是人工智能算法和工程系统的重要底层支撑之一，两者的底层逻辑是相通的。很多家长觉得AI都能自己写代码了，还学什么编程，这个担心用反了方向：恰恰是因为AI把“写代码”这件事接过去了，懂不懂算法这个“脑”，才比会不会敲代码这个“手”更值钱。你不懂算法，连向AI提需求都提不准，和懂的人用同一个工具，效果差得很远。

　　记者：再往深里带一带，这些算法是怎么一步步支撑起上层AI应用的？

　　朱宇：我按四类拆，每个名词都对应一个具体的工程环节。第一类是图与网络：分析知识图谱的图结构、识别其中的闭环，会用到强连通分量；分布式训练要把计算任务和通信链路分配好，用的是网络流这类资源调度模型；多智能体之间分配任务，本质是二分图匹配。第二类是数据结构：实时系统里做特征的区间统计与更新，靠线段树、树状数组；文本的高效匹配与子串检索，背后是后缀自动机这类字符串结构；数据库和检索系统要让海量数据查得快，靠的是平衡树一类的索引结构。

　　朱宇：第三类是动态规划：对状态空间很大的小规模组合问题，用状态压缩来紧凑表示状态；决策树、随机森林的层级结构，和树形动态规划的思路相通。约束生成内容的格式，工程上更多用前缀树、有限状态机做受限解码，而不是直接套用数位动态规划——后者更适合处理带数位约束的计数问题。第四类是几何与数论：计算机视觉里的轮廓提取、图像配准，靠计算几何；数据加密和隐私计算，靠数论里的快速幂、模运算。从最底层工具到最上层应用，这些算法一环扣一环，是AI工程系统地基的一部分，而不是全部。

　　记者：但大模型不是主要靠概率吗？这些算法到底在哪儿起作用？

　　朱宇：要分两层。大模型“变聪明”，主要靠概率建模和梯度下降，背后是统计、线性代数和优化；但它要训练得快、推理得省、检索得准、调度得稳，就离不开前面这些经典算法。它们不直接决定模型有没有智能，却决定智能能不能大规模、低成本、高质量地跑起来。竞赛练的不是模型参数本身，而是计算思维；它不是AI唯一的地基，却是工程化的重要地基之一。

　　记者：孩子在赛场上刷题、调程序，和将来真去做AI，是怎么接上的？

　　朱宇：它真正做的，是把AI背后那套思维方式从小练一遍：把大问题拆小，在有限算力里找最优解，判断什么时候该剪枝、该深入。这套方法将来做什么都用得上。还有一层：兴趣只是一时新鲜，要走到拔尖，得有一个愿意长期投入、想成为某类人的目标；竞赛恰好给了他一个够得着、值得长期追的目标，把好奇磨成坚持。拔尖的人，大多是这么长出来的。

　　记者：从训练内容看，信息学编程还有什么是别的学科很难替代的？

　　朱宇：有一点常被忽略，它补上了现有教育最缺的“过程性检验”。数学、物理、化学这些学科，更看重结果对不对，做法基本是标准化、趋同的，对一下答案就行。编程不一样：同一道题、结果都正确，每个学生的思路、程序风格、选用的算法、存储结构、运行效率可以完全不同；而且每道题都有持续优化的空间——在存储空间上省一点，在运行时间上快一点，把函数和复杂度再降一降，是一个不断改进、不断创新的过程。这更接近AI时代解决真实问题的样子：真实问题没有标准答案，是在反复迭代里逼近更好。这种“重过程、持续优化”的训练，在语文、数学、英语、物理、化学、生物里很难系统获得。单从训练内容的稀缺性看，信息学编程的分量就在这里。

　　记者：这么看，这条科创赛道究竟承载了什么？

　　朱宇：它不是一门单纯的手艺。孩子在这条路上练的，是算法原理、面对AI输出的判断力、提出原创问题的创造力，以及坚持兴趣的长期目标。这条赛道不是孤立培养程序员，而是训练一个人如何与这个时代的技术共处、站在原理这一边。

　　记者：也有人担心，只盯着竞赛、刷题这条路，会不会反而把孩子练窄了？

　　朱宇：这个担心有道理。要分两层：算法是AI工程系统的重要地基，这是技术事实；但竞赛能不能养出判断力和创造力，取决于怎么练。如果只是机械刷题、背模板、套套路，确实会把兴趣和好奇心磨掉、压抑创新；训练方式对——鼓励自己拆问题、找最优解、允许试错——才可能长出判断力和创造力。还要说清楚，培养拔尖能力从来不是竞赛一条路：物理、生物的探究，人文社科的阅读思辨，工程实践、项目式学习，同样能练出原创和坚持。成才路径是多元的，信息学只是其中一条，把它讲透，不是说它唯一。

　　记者：还有个问题。你们对外展示的多是获奖、走出来的孩子，这里有没有幸存者偏差？那些同样投入、却没走出来的孩子呢？

　　朱宇：必然有幸存者偏差，我不否认。领奖台上的案例代表不了多数参与者，拿他们去推断“学了就能成”，本身就是误导。竞赛本就是高淘汰、只适合少数人的路径，多数孩子既不适合、也不需要走到塔尖；真正面向多数的，是通识层那点计算思维。对没走出来的孩子，训练中养成的拆问题、找最优解的习惯，在别的领域仍受用——但这层价值不该被夸大，更不能据此承诺结果。讲成才的故事，也得把沉默的大多数放在眼里。

　　记者：很多人把信息学竞赛看成一个升学加分的小众圈子，您怎么看这个印象？

　　朱宇：这是个不小的误解。如果只盯着升学，就把这条赛道看小了。过去它小众，是因为需要它的时代还没来；现在AI把底层能力的价值一下子放大了，它自然就从一个小圈子，变成一条值得认真对待的科创路径。我更愿意把它看作一条育人的赛道，而不是一块升学的敲门砖。

　　记者：那是不是所有孩子都该去走C++竞赛这条路？

　　朱宇：不是。这里要把三层说清楚。第一层是算法、计算思维，它是面向多数孩子的通识；第二层是C++编程技能，它只是一种工具；第三层，才是信息学竞赛的高强度训练，它只适合一部分既有天赋、又愿意长期投入的孩子。对多数孩子来说，做到第一层就够了，了解一点计算思维、看得懂AI大致是怎么回事，就已经受用；不必都走到竞赛那一步。打个比方：工业时代不是人人都要当工程师、科学家，但物理、化学成了人人都要学的基础认知；AI时代，以算法为代表的计算思维就是这样的通识。C++信息学竞赛的价值，在于它用一套成体系的训练，把前面说的原理、判断、创意和长期目标集中交到孩子手里——它是系统训练这种通识的重要路径之一，至于走多远，取决于孩子的兴趣、天赋和家庭的投入，不必勉强，也不必神化。

　　记者：前面聊了这么多C++信息学，那是不是意味着，C++这门语言本身特别重要、非学不可？

　　朱宇：恰恰要澄清这一点。C++作为一门编程语言，本身在AI时代没那么重要——自然语言越来越能直接引导AI把代码写出来，具体语法、用哪门语言，会越来越被工具抹平。真正重要、也最保值的，是语言背后那套算法。所以纠结的不该是“学哪一门语言”，而是“学得够不够深、有没有真正触到算法的核心”——原理、复杂度、问题建模。C++只是当下被验证最适合用来扎实训练计算思维的载体之一；载体将来可能更替，沉淀下来的算法能力不会跟着作废。我不是说语言无用，工具得先会用；但别把载体当成了目的。

　　记者：有个绕不开的问题。您是优编程董事长，今天聊下来，C++信息学的价值被反复强调，很多家长会不会觉得，这本质上是在为自家业务铺垫？这种利益相关，您怎么处理，又怎么避免自说自话？

　　朱宇：这个质疑合理，我不回避，也没法靠一句“我客观”自证清白，立场确实摆在这儿。我能做的是三件事。第一，让观点可以被证伪：今天讲的是趋势判断，若将来被证明错了，我愿意公开承认，不硬拗。第二，教学的结果和数据，接受公开检验，而不是关起门自说自话。第三，不向不适合的孩子硬推竞赛——事实上我们一直在“劝退”一部分孩子，把他们留在通识层。说到底，这条赛道若真被证伪，受损最大的是我们自己，所以我们比谁都怕讲错。这不是什么漂亮承诺，只是一个从业者的自我约束。

　　把“钥匙”交给孩子：家庭、学校与社会 

　　记者：最后，对正在规划孩子未来的家庭和学校，您想说什么？

　　朱宇：用一句话收个尾：以算法为代表的计算思维，是AI时代重要的基础认知；C++信息学竞赛，是系统训练它的重要路径之一。这条赛道怎么系统地培养人，前面已经讲过。落到家庭和学校，我更想强调两件AI给不了的事。一是保障感：孩子敢想别人不敢想、敢走一条不一样的路，前提是他知道失败了也有人接着、不会被一棍子打死；没有这个安全底座，他就只会求稳，不敢冒尖，创新也就无从谈起。二是榜样感：孩子不只听大人怎么说，更看身边的真人怎么活，他将来想成为谁，往往是从一个个真实可学的大人身上照出来的。学校和家长怎么做，比怎么说更有分量。

　　记者：保障感、榜样感之外，落到父母身上，最根本、也只有父母能给的，是什么？

　　朱宇：是无条件的爱。前面讲保障感，说的是孩子知道失败了有人接着；可他凭什么确定有人接着？根子就在这里——他得发自内心地相信，父母爱的是他这个人，而不是他的分数、名次和表现。孩子其实很敏感：你因为一次考试发火、因为比赛失利而失望、因为没达到期待而沉默，他心里就会嘀咕，爸爸妈妈爱的，是不是只是那个考满分的我。反过来，你让他知道，你取得成绩我为你高兴，你遇到挫折我依然在这里，你优秀也好、平凡也好，你永远是我最珍视的人——这种不因表现好坏而增减的爱，才是他敢去探索、敢去试错、敢去冒尖的最终底气。它会变成一种内在动力，让孩子愿意为所爱、也爱他的人，努力变得更好。这种冲动，AI给不了，只有父母能给。

　　记者：长远看呢？

　　朱宇：智能社会的气质，是创意、独立、包容。我们这代人能做的，是给孩子一个更鼓励探索、允许试错的环境，把这条C++信息学的科创赛道办得更扎实、更公平，让不同家庭里有天赋的孩子都有机会被看见、被点燃。同时也要承认，理念和现实的升学体系之间是有张力的，这个缺口不会靠哪一条赛道自动补上。技术会一直往前走，但它至少目前很难替代两样东西：一个人对问题的原创判断力，和他作为人的情感与坚持。只要孩子真正掌握了底层的原理，又不丢掉作为人的那部分，他就不容易被技术落下。

　　记者观察：哪些是共识，哪些仍是推演 

　　有教育研究者指出，批判与原创能力并非只能靠竞赛获得；一线教师普遍反映，机械刷题、背模板会压抑兴趣，竞赛也可能挤压其他学科；项目式学法对自律要求较高，不适合所有年龄段。AI重塑岗位结构、计算思维成为基础认知，与公开研究方向基本一致；而社会气质四阶段、人群四层、五类岗位消长，仍属有待检验的推演，C++信息学是否为最优路径，也无标准答案。

　　但没有标准答案，不等于没有方向。把线索收拢，方向是清楚的：工具会迭代、语言会更替、岗位会消长，而提出问题、判断价值、原创构想、理解原理的能力，以及责任、情感与爱人的能力，始终在人这一边。C++信息学是观察和训练这些能力的一把钥匙、一条被检验的有效路径；但钥匙指向的门，是人的成长本身。所谓拔尖，归根到底不是把孩子送进某座塔尖，而是让他更可能成为智能时代的主人，成为更完整、更有创造力的人。路径之争可以继续，方向却不必含糊：尊重成长规律，守住人本位，给每一个有潜力的孩子被看见、被点燃的机会，这正是讨论的落点。